今日 Paper | 人脸数据隐私；神经符号推理；深度学习聊天机器人等

论文名称：Investigating the Impact of Inclusion in Face Recognition Training Data>

作者：Chris Dulhanty /Alexander Wong

发表时间：2020/1/9

论文链接： https://paper.yanxishe.com/review/8554?from=leiphonecolumn_paperreview0115

推荐原因：现代的人脸识别系统数据集包含数十万张特定人脸图像，研究人员用于训练深度卷积神经网络，最近，大规模的面部识别培训数据集（如MS-Celeb-1M和MegaFace）的来源和隐私问题受到了公众的密切关注，因为许多人不愿意让自己的脸被用于培训能够实现大规模监控的两用技术。为了探讨人脸隐私的问题，该论文评估了ArcFace（开源人脸识别系统）在人脸隐私方面的表现。研究发现，在该模型的训练数据中，排名第一的人脸识别正确率为79.71%，而那些不存在的人的正确率为75.73%。

    Facebook： 通过将数学表达式重组为一种语言，用神经网络符号推理求解复杂数学方程

论文名称：Deep Learning for Symbolic Mathematics

作者：Lample Guillaume /Charton François

发表时间：2019/12/2

论文链接： https://paper.yanxishe.com/review/8879?from=leiphonecolumn_paperreview0115

推荐原因：该论文由 Facebook AI 团队提出。根据团队研究，Facebook 已经建立了第一个可以使用符号推理解决高等数学方程的人工智能系统。研究人员通过开发一种新的方法，将复杂的数学表达式表示为一种语言，然后将解看作是 sequence-to-sequence 神经网络的翻译问题，结果显示，在求解积分问题和一阶、二阶微分方程方面都优于传统计算系统的系统。

以前，这类问题被认为超出了深度学习模型的范围，因为求解复杂方程需要精确而不是近似。神经网络擅长于通过近似来学习，比如识别一个特定的像素模式（可能是一个狗的图像），或者一个句子在一种语言中的特征与另一种语言中的特征相匹配。解决复杂的方程也需要处理符号数据的能力，Facebook AI 团队在该论文的研究结果表现要优于诸如 Matlab 或 Mathematica 之类的计算代数系统。

模型目前处理的是单变量问题，Facebook AI 团队计划将其扩展到多变量方程。这种方法也可以应用于其他基于数学和逻辑的领域，期待有更好的结果~

    StyleGAN： 一个基于风格的生成器架构，用于生成对抗网络

论文名称：A Style-Based Generator Architecture for Generative Adversarial Networks

作者：Karras Tero /Laine Samuli /Aila Timo

发表时间：2018/12/12

论文链接： https://paper.yanxishe.com/review/8878?from=leiphonecolumn_paperreview0115

提出了一个替代发电机的架构生成对抗网络，借鉴了风格转移文献。新的体系结构可以自动地、无监督地分离高级属性(例如，在人脸上训练时的姿势和身份)和生成的图像中的随机变化(例如，雀斑、头发)，并实现对合成的直观的、特定于尺度的控制。新的生成器在传统的分布质量度量方面改进了当前的技术水平，显著地提高了插值性能，并更好地释放了潜在的变化因素。为了量化插值质量和解纠缠，提出了两种适用于任何生成器架构的新的自动化方法。最后，介绍一个新的，高度多样化和高质量的人脸数据集。

相较于传统的GAN，引入了Mapping network，样式转换，噪声；

最终可达达到：模型可以预期修改样式的特定子集仅影响图像的某些方面。

    edBB： 评估远程教育的生物识别和行为

edBB: Biometrics and Behavior for Assessing Remote Education

作者：Hernandez-Ortega Javier /Daza Roberto /Morales Aythami /Fierrez Julian /Ortega-Garcia Javier

发表时间：2019/12/10

论文链接：  https://paper.yanxishe.com/review/7828?from=leiphonecolumn_paperreview0115

推荐理由：我们提供了一个用于远程教育中学生监控的平台，该平台由捕获生物特征和行为数据的传感器和软件组成。我们定义了一组任务来获取行为数据，这些数据对于应对远程评估过程中自动学生监控中的现有挑战很有用。此外，我们发布了一个初始数据库，其中包含来自20个不同用户的数据，这些用户使用一组基本传感器来完成这些任务：摄像头，麦克风，鼠标和键盘；以及更先进的传感器：NIR相机，智能手表，其他RGB相机和EEG频段。来自计算机的信息（例如系统日志，MAC，IP或Web浏览历史记录）也将被存储。在每个获取会话期间，每个用户完成三种不同类型的任务，生成不同性质的数据：鼠标和击键动态，面部数据和音频数据等。设计任务时要牢记两个主要目标：i）分析此类生物统计和行为数据的能力以在远程评估期间检测异常，并且ii）研究这些数据的能力，例如脑电图，心电图或近红外视频估计有关用户的其他信息，例如他们的注意力水平，压力的存在或他们的脉搏率。

    深度学习聊天机器人综述

论文名称：Deep Learning Based Chatbot Models

作者：Csaky Richard

发表时间：2019/8/23

论文链接： https://paper.yanxishe.com/review/137?from=leiphonecolumn_paperreview0115

聊天机器人不仅有许多的研究方向和研究成果，也已经有了许多商业应用。在这篇综述论文中，作者对这个领域近年来的研究成果做了回顾和综述 —— 具体来说，他回顾了过去三年中发表的超过 70 篇论文，分析了现有方案的问题，对“通用型聊天机器人应该使用什么样的架构”提出了自己的观点和改进建议。想了解这个领域总体状况的读者不妨看看这篇论文。

为了更好地服务广大 AI 青年，AI 研习社正式推出全新「论文」版块，希望以论文作为聚合 AI 学生青年的「兴趣点」，通过论文整理推荐、点评解读、代码复现。致力成为国内外前沿研究成果学习讨论和发表的聚集地，也让优秀科研得到更为广泛的传播和认可。

我们希望热爱学术的你，可以加入我们的论文作者团队。

入论文作者团队你可以获得

    1.署着你名字的文章，将你打造成最耀眼的学术明星

    2.丰厚的稿酬

    3.AI 名企内推、大会门票福利、独家周边纪念品等等等。

加入论文作者团队你需要：

    1.将你喜欢的论文推荐给广大的研习社社友

    2.撰写论文解读

如果你已经准备好加入 AI 研习社的论文兼职作者团队，可以添加运营小姐姐的微，备注“论文兼职作者”

雷锋网雷锋网雷锋网 (公众号：雷锋网)

相关文章：

今日 Paper | 虚拟试穿网络；人群计数基准；联邦元学习；目标检测等

今日 Paper | 人体图像生成和衣服虚拟试穿；鲁棒深度学习；图像风格迁移等

今日 Paper | 随机微分方程；流式自动语音识别；图像分类等

今日 Paper | 高维感官空间机器人；主动人体姿态估计；深度视频超分辨率；行人重识别等

今日 Paper | 3D手势估计；自学习机器人；鲁棒语义分割；卷积神经网络；混合高斯过程等

今日 Paper | 精简BERT；面部交换；三维点云；DeepFakes 及 5G 等

今日 Paper | 虚假新闻检测；马尔可夫决策过程；场景文本识别；博弈论框架等

今日 Paper | 问答系统；3D人体形状和姿势；面部伪造检测；AdderNet等

雷锋网原创文章，未经授权禁止转载。详情见 转载须知 。